AIGC動態(tài)歡迎閱讀

原標題：機器學習框架NIS+：通過最大化有效信息識別“因果涌現(xiàn)” | NSR
關鍵字：因果,動力學,數(shù)據(jù),觀察者,微觀
文章來源：人工智能學家
內容字數(shù)：0字

內容摘要：

機器學習技術難以捕捉復雜系統(tǒng)中的涌現(xiàn)現(xiàn)象（比如鳥群的集群行為、生命游戲現(xiàn)的復雜模式等），這阻礙了對復雜系統(tǒng)演化的預測。近日，北京師范大學系統(tǒng)科學學院張江課題組提出了一套可以識別“因果涌現(xiàn)”的機器學習框架——強化版神經信息壓縮器（Neural Information Squeezer Plus, NIS+）。該框架結合樣本重加權和反向動力學訓練兩項技術，可以通過有效信息（Effective Information，簡稱EI）最大化，實現(xiàn)從觀測時間序列中提取最優(yōu)的粗粒化策略，建立宏觀動力學預測模型，并判斷是否發(fā)生因果涌現(xiàn)。相關研究成果以“Finding emergence in data by maximizing effective information”為題發(fā)表于《國家科學評論》（National Science Review，NSR）。NIS+框架圖經典因果涌現(xiàn)理論中的“觀察者效應”因果涌現(xiàn)在2013年被正式提出，是一套定量刻畫涌現(xiàn)現(xiàn)象的理論框架。對于一個系統(tǒng)不同的觀察者來說，他們可能在微觀或宏觀兩種不同的尺度來觀察、刻畫同一個系統(tǒng)，從而分別得到微觀動力學和宏觀動力學，其中后者

原文鏈接：機器學習框架NIS+：通過最大化有效信息識別“因果涌現(xiàn)” | NSR

聯(lián)系作者

文章來源：人工智能學家
作者微信：
作者簡介：